Penerapan Naive Bayes Pada Detection Malware dengan Diskritisasi Variabel

Inda Anggraini, Yesi Novaria Kunang, Firdaus Firdaus

Abstract


Abstract: Malicious software (malware) is rogue software specifically designed to carry out malicious or destructive software activities on computers such as viruses, Trojans, and others that are spread through the internet network. The number of activities that spread malware that occurs through the internet network makes many users uneasy one form of the attack is to insert malicious or malicious files into the computer. For example, such as web shell scripting script that is inserted into the internet service provider computer. This study aims to analyze malware attacks using the Naïve Bayes Clasiffier Algorithm with the discretization of 3-interval and 5-interval Min-Max variables for continuous attributes. Discretization (discretion) attribute is a technique for changing a function or continuous value into a discrete form. This technique is done as an adjustment to the possibility of the emergence of continuous values in a very small dataset feature. Discretization of variables is done in a dataset of type continuous, so that the probability value indicates the possibility of the same value coming out of a class. Using the Naive Bayes algorithm is expected to help facilitate users in finding the right method for detecting attacks from malware. The experimental results show that the application of Naïve Bayes in the classification of data that has not gone through the discretion stage produces an accuracy of 69.72% with prediction of malware 63.53 % while the data that has passed the discretization stage is able to provide accuracy of up to 79.97 % with 81.29 % malware prediction. The use of the Naïve Bayes by binning method in this study has an increased detection ability compared to the classification process without using the binning process (discretization). The discretion process can make the Naïve Bayes algorithm more accurate in detecting malware.

Abstrak: Malicious software (malware) adalah software jahat yang dirancang khusus untuk melakukan aktifitas berbahaya atau perusak perangkat lunak pada komputer seperti virus, Trojan, dan lain-lain yang disebar melalui jaringan internet. Banyaknya aktifitas penyebaran malware yang terjadi melalui jaringan internet membuat banyak pengguna menjadi resah salah satu bentuk dari serangan tersebut yaitu dengan melakukan penyisipan file-file berbahaya atau malicious ke komputer. Contohnya seperti penyisispan skrip web shell yang di sisipkan ke komputer penyedia layanan  internet. Penelitian ini bertujuan untuk melakukan analisa terhadap serangan malware dengan menggunakan Algoritme Naïve Bayes Clasiffier dengan diskritisasi variabel Min-Max diskritisasi 3-interval dan 5-interval untuk atribut kontinu. Discretization (pendiskritan) atribut merupakan teknik untuk merubah sebuah fungsi atau nilai kontinu kedalam bentuk diskrit. Teknik ini dilakukan sebagai penyesuaian terhadap kemungkinan kemunculan nilai kontinu dalam fitur dataset yang sangat kecil. Pendiskritisasian variabel dilakukan pada dataset yang bertipe kontinu, sehingga nilai probabilitas menunjukan kemungkinan nilai yang sama keluar  pada suatu kelas. Dengan menggunakan Algoritme naive bayes ini diharapkan dapat membantu mempermudah pengguna dalam menemukan metode yang tepat untuk mendeteksi serangan dari malware.. Hasil percobaan menunjukan bahwa penerapan naïve bayes pada klasifikasi data yang belum melalui tahap pendiskritan menghasilkan tingkat akurasi sebesar 69.72 % dengan prediksi malware 63.53 % sedangkan pada data yang telah melewati tahap diskritisasi mampu memberikan akurasi hingga 79.97 % dengan prediksi malware 81.29 %. Penggunaan metode Naïve Bayes dalam penelitian ini memiliki kemampuan deteksi yang meningkat dibandingkan dengan proses klasifikasi tanpa menggunakan proses binning (diskritisasi). Proses pendiskritan dapat menjadikan Algoritme Naïve Bayes menjadi lebih akurat di dalam mendeteksi malware.


Keywords


Pendeteksian Malware; Naïve Bayes; Diskritisasi; Data Mining

Full Text:

pdf (Indonesian)

References


Akbi, D. R., & Rosyadi, A. R. (2018). Analisis Klasterisasi Malware: Evaluasi Data Training Dalam Proses Klasifikasi Malware. Jurnal ELTIKOM, 2(2), 58–66. https://doi.org/10.31961/eltikom.v2i2.88

Amalia, N., Shaufiah, S., & Sa’adah, S. (2015). Penerapan teknik data mining untuk klasifikasi ketepatan waktu lulus mahasiswa teknik informatika universitas telkom menggunakan Algoritme naive bayes classifier. EProceedings of Engineering, 2(3).

Anam, C., & Santoso, H. B. (2018). Perbandingan kinerja Algoritme c4. 5 dan naive bayes untuk klasifikasi penerima beasiswa. ENERGY, 8(1), 13–19.

Asih, T. S. N., Waluya, B., & Supriyono, S. (2018). Perbandingan finite difference method dan finite element method dalam mencari solusi persamaan diferensial parsial. PRISMA, Prosiding Seminar Nasional Matematika, 1, 885–888.

Cahyanto, T. A., Wahanggara, V., & Ramadana, D. (2018). Analisis dan Deteksi Malware Menggunakan Metode Malware Analisis Dinamis dan Malware Analisis Statis. JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia, 2(1), 12.

Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi data mining untuk memprediksi masa studi mahasiswa menggunakan Algoritme c4. 5 (studi kasus: Universitas dehasen bengkulu). Jurnal Media Infotama, 11(2).

Herlambang, S., & Basuki, S. (2019). Deteksi Malware Android Berdasarkan System Call Menggunakan Algortima Support Vector Machine. Prosiding SENTRA (Seminar Teknologi dan Rekayasa, 4, 157–165.

Huaturuk, N. R. S., Rahmadani, R. D., & Ak, D. J. (2018). Komparasi Akurasi Naïve Bayes dan Support Vector Machine (SVM) untuk Rekomendasi Produk in Fashion Dress. Conference on Electrical Engineering, Telematics, Industrial technology, and Creative Media (CENTIVE), 168–173.

Mustafa, M. S., Ramadhan, M. R., & Thenata, A. P. (2018). Implementasi data mining untuk evaluasi kinerja akademik mahasiswa menggunakan Algoritme naive bayes classifier. Creative Information Technology Journal, 4(2), 151–162.

Nasari, F., & Darma, S. (2015). Penerapan K-Means Clustering pada Data Penerimaan Mahasiswa Baru (Studi Kasus: Universitas Potensi Utama). Seminar Nasional Teknologi Informasi dan Multimedia, 3, 73–78.

Novrianda, R., Kunang, Y. N., & Shaksono, P. H. (2014). Analisis Forensik Malware pada Platform Android. KonferensiNasional Ilmu Komputer (KONIK), 377–385.

Nugroho, P. A. (2016). Penanganan dan Pendeteksian Penyebaran Malware Menggunakan X Ray PC Pada Sistem Operasi Windows XP (Studi Kasus Worm “MR. COOLFACE”). Jurnal Inovasi Informatika, 1(2), 32–41.

Saleh, A. (2015). Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga. Creative Information Technology Journal, 2(3), 207–217.

Sandag, G. A., Leopold, J., & Ong, V. F. (2018). Klasifikasi Malicious Websites Menggunakan Algoritme K-NN Berdasarkan Application Layers dan Network Characteristics. CogITo Smart Journal, 4(1), 37. https://doi.org/10.31154/cogito.v4i1.100.37-45

Saravana, N. (2018, April 12). Malware Detection. https://www.kaggle.com/nsaravana/malware-detection

Setiawan, F. G. N. D., Ijtihadie, R. M., & Studiawan, H. (2017). Pendeteksian Malware pada Lingkungan Aplikasi Web dengan Kategorisasi Dokumen. Jurnal Teknik ITS, 6(1), 71–74. https://doi.org/10.12962/j23373539.v6i1.22163

Wirawan, I. N. T., & Eksistyanto, I. (2015). Penerapan Naive Bayes pada Intrusion Detection System dengan Diskritisasi Variabel. JUTI: Jurnal Ilmiah Teknologi Informasi, 13(2), 182. https://doi.org/10.12962/j24068535.v13i2.a487




DOI: http://dx.doi.org/10.35671/telematika.v13i1.886

Refbacks

  • There are currently no refbacks.




Indexed by:

      http://click.accelo.com/wf/click?upn=KMJOFt8368XHDV6m09YF-2BTGnIfzAj8ov81j3S3dKrgX-2FSP8SBOSe2Y-2FRl3XtyVdizj-2FkXxL-2F-2FBp-2BQ3h3JmTUMA-3D-3D_m-2BrHp932aZXzO0XgkbwedgKvn5QWlonE5sMgaivZdq7OsTVSTY4hEqzD-2Bq18nXAyLJBneuiZlt38H2UV92XxYUTcMxEriSXBXl4R62YQbqlgPCj4HTJTRlEeMBija8NFLIgPs2I1UuCR2UCZXSiKb2ocM6V4QaW-2FslHJUiSZesKuX9OlsnCNztILLyuQC4ZZvCegHVeQWDMYSYLvWzv-2FxgZ4v9s-2B2Ehf-2FEsLNi2Ea97Xe1t2vA4kmxioKhj90qGfUs7WlNUb-2B3FL0DjX8F4BTUuUiemqtsGMdQg-2By7qV9RY-3D     

Telematika

ISSN 2442-4528 (online) | ISSN 1979-925X (print)
Published by : Universitas Amikom Purwokerto
Jl. Let. Jend. POL SUMARTO Watumas, Purwonegoro - Purwokerto Telp (0281) 623321 Fax (0281) 621662
Email: telematika@amikompurwokerto.ac.id

Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.